Migliorare la sicurezza con il monitoraggio PPE in tempo reale

Negli ospedali e nelle cliniche, è super importante tenere al sicuro i pazienti e il personale sanitario. Un modo per farlo è usare correttamente i Dispositivi di Protezione Personale (DPI). I DPI includono cose come guanti, maschere e camici. Ci sono Linee guida fornite dalle organizzazioni sanitarie che spiegano come indossare e togliere questi articoli in sicurezza. Purtroppo, il personale sanitario spesso sbaglia quando mette o toglie i DPI. Questo può portare alla diffusione di infezioni.

Per aiutare a risolvere questo problema, abbiamo bisogno di un sistema che possa dare Feedback in tempo reale al personale sanitario mentre indossa (mette su) e toglie (leva) i suoi DPI. L'obiettivo è avvisarli se saltano un passaggio nel processo.

#Importanza dei DPI

La pandemia di COVID-19 ha dimostrato quanto siano importanti i DPI per fermare la diffusione dei germi e proteggere sia i pazienti che il personale sanitario. Organizzazioni come i Centers for Disease Control and Prevention (CDC) hanno stabilito regole per aiutare a prevenire le infezioni. Tuttavia, molti studi hanno trovato che il personale sanitario non segue sempre queste linee guida e gli errori sono comuni quando si indossano e si tolgono i DPI.

Per affrontare questi problemi, un sistema automatizzato che monitori e fornisca feedback sull'uso dei DPI potrebbe migliorare significativamente la sicurezza. Spesso, i sistemi tradizionali hanno bisogno di una connessione internet stabile per funzionare correttamente, il che può portare a problemi di privacy e affidabilità. Usando invece l'elaborazione locale, possiamo ridurre le esigenze di larghezza di banda e migliorare la sicurezza complessiva degli ambienti sanitari.

#Panoramica del sistema

Il sistema proposto è progettato per dare feedback in tempo reale al personale sanitario quando indossa e rimuove i DPI. Utilizza un modello di deep learning chiamato YOLOv4-tiny, che è molto adatto per gli ambienti sanitari. Questo nuovo sistema può aiutare a identificare se articoli come guanti, maschere e camici sono indossati nell'ordine giusto.

#Contributi del sistema

1. Ottimizzazione del modello: Il modello YOLOv4-tiny è adattato specificamente per rilevare i DPI. Questo significa che può riconoscere efficacemente diversi tipi di DPI in varie situazioni.

2. Feedback in tempo reale: Il sistema fornisce avvisi immediati quando un operatore sanitario non segue l'ordine corretto per indossare o togliere i DPI. Questo feedback si basa sulle linee guida dell'Organizzazione Mondiale della Sanità (OMS).

3. Distribuzione integrata: Il sistema può funzionare su piccoli dispositivi come il Raspberry Pi, rendendolo facile da usare in vari luoghi, anche dove non c'è internet disponibile.

#Pratiche attuali e limitazioni

I problemi attuali con l'uso dei DPI possono essere attribuiti a come funzionano le pratiche correnti. Il personale sanitario potrebbe non ricevere alcun feedback quando commette errori durante l'uso dei DPI. Questa mancanza di monitoraggio può portare a un uso improprio, aumentando il rischio di Infezione.

Il CDC fornisce linee guida chiare su come indossare e togliere i DPI, ma attualmente non esiste alcun sistema che aiuti i lavoratori a seguire queste regole in tempo reale.

#Fasi del sistema

Lo sviluppo del sistema di rilevamento dei DPI è diviso in tre fasi chiave. Ogni fase contribuisce a rendere il sistema efficace ed efficiente:

#Fase 1: Creazione del dataset e addestramento del modello

Viene creato un dataset specifico, che include immagini di articoli DPI. Ogni immagine viene fornita di etichette che aiutano il sistema a capire cosa sta guardando. Il dataset viene migliorato con tecniche che permettono un apprendimento migliore, assicurandosi che il modello non diventi troppo dipendente da esempi specifici.

In totale, il dataset consiste di oltre mille immagini di diversi articoli DPI, permettendo al modello di apprendere da vari scenari e ambienti.

#Fase 2: Modello di rilevamento oggetti

Il modello effettivamente usato per rilevare i DPI si basa su YOLOv4-tiny. Questo modello include diversi strati che lavorano insieme per analizzare le immagini e identificare gli articoli DPI presenti. L'obiettivo è assicurarsi che il modello possa fornire risultati accurati, anche quando è in esecuzione su un dispositivo con risorse limitate, come un Raspberry Pi.

Questo modello suddivide le immagini in griglie per identificare gli oggetti al loro centro. Utilizza punteggi di fiducia per determinare le migliori previsioni per ciò che riconosce.

#Fase 3: Analisi della sequenza

La terza fase si concentra sull'analisi dell'ordine in cui i DPI vengono indossati e tolti. Sequenze specifiche si basano su linee guida consolidate per i lavoratori sanitari da seguire. Il sistema verifica se i lavoratori stanno rispettando queste sequenze, fornendo feedback lungo il percorso.

Gli errori commessi durante il togliere i DPI possono portare a auto-contaminazione, motivo per cui questa fase è particolarmente cruciale. Una sequenza chiara e corretta aiuta a ridurre il rischio di esposizione a patogeni dannosi.

#Algoritmo per il rilevamento della sequenza in tempo reale

Il cuore del sistema è il suo algoritmo di rilevamento della sequenza in tempo reale. Questo algoritmo misura quanto bene i lavoratori seguono le linee guida sui DPI e fornisce avvisi quando commettono errori. Soglie specifiche basate sui dati di addestramento del modello aiutano a determinare se i DPI vengono utilizzati correttamente.

In generale, questo algoritmo rappresenta un notevole miglioramento nel monitoraggio dell'uso dei DPI, contribuendo a rendere gli ambienti sanitari più sicuri.

#Risultati sperimentali

Il sistema è stato testato utilizzando un framework open-source per analizzarne le prestazioni. Utilizza pesi pre-addestrati per ottimizzare il processo. Dopo l'addestramento, il modello YOLOv4-tiny mostra un basso fattore di perdita, indicando che può eseguire efficacemente il rilevamento degli oggetti.

Il sistema è stato testato utilizzando video per assicurarsi che potesse riconoscere l'uso corretto dei DPI in tempo reale. Il feedback sui livelli di fiducia del modello aiuta a perfezionare le sue previsioni.

Utilizzando questo sistema automatizzato, il personale sanitario può essere meglio supportato nei loro sforzi per mantenere la sicurezza mentre indossano i DPI. L'integrazione con dispositivi come il Raspberry Pi dimostra che è possibile creare un sistema di monitoraggio efficiente e reattivo anche in contesti difficili.

#Conclusione

Nella lotta contro le infezioni, un uso corretto dei DPI è un fattore critico per mantenere al sicuro sia i pazienti che il personale sanitario. Questo nuovo sistema mira a migliorare l'aderenza alle linee guida per indossare e togliere i DPI fornendo feedback in tempo reale.

Grazie al suo design innovativo e all'uso efficiente della tecnologia di deep learning, il sistema può aiutare a ridurre le possibilità di errori e migliorare la sicurezza complessiva. L'attenzione alla distribuzione pratica in vari ambienti dimostra che queste intuizioni possono portare a migliori pratiche nel settore sanitario.

Con le crescenti preoccupazioni riguardo alle malattie infettive, avere strumenti affidabili ed efficaci per supportare il personale sanitario è fondamentale. Questa ricerca fornisce una solida base per futuri sviluppi nei sistemi di monitoraggio dei DPI, aprendo la strada a protocolli di sicurezza migliorati e migliori risultati per la salute.